一、前言

Spark 作為大數據計算引擎，憑借其快速、穩定、簡易等特點，快速的占領了大數據計算的領域。本文主要為作者在搭建使用計算平臺的過程中，對于 Spark 的理解，希望能給讀者一些學習的思路。文章內容為介紹 Spark 在 DataMagic 平臺扮演的角色、如何快速掌握 Spark 以及 DataMagic 平臺是如何使用好 Spark 的。

二、Spark 在 DataMagic 平臺中的角色

整套架構的主要功能為日志接入、查詢 (實時和離線)、計算。離線計算平臺主要負責計算這一部分，系統的存儲用的是 COS(公司內部存儲)，而非 HDFS。

[[231286]]

圖 2-1

下面將主要介紹 Spark on Yarn 這一架構，抽取出來即圖 2-2 所示，可以看到 Spark on yarn 的運行流程。

圖 2-2

三、如何快速掌握 Spark

對于理解 Spark，我覺得掌握下面 4 個步驟就可以了。

1. 理解 Spark 術語

對于入門，學習 Spark 可以通過其架構圖，快速了解其關鍵術語，掌握了關鍵術語，對 Spark 基本上就有認識了，分別是結構術語 Shuffle、Patitions、MapReduce、Driver、Application Master、Container、Resource Manager、Node Manager 等。API 編程術語關鍵 RDD、DataFrame，結構術語用于了解其運行原理，API 術語用于使用過程中編寫代碼，掌握了這些術語以及背后的知識，你就也知道 Spark 的運行原理和如何編程了。

2. 掌握關鍵配置

Spark 在運行的時候，很多運行信息是通過配置文件讀取的，一般在 spark-defaults.conf，要把 Spark 使用好，需要掌握一些關鍵配置，例如跟運行內存相關的，spark.yarn.executor.memoryOverhead、spark.executor.memory，跟超時相關的 spark.network.timeout 等等，Spark 很多信息都可以通過配置進行更改，因此對于配置需要有一定的掌握。但是使用配置時，也要根據不同的場景，這個舉個例子，例如 spark.speculation 配置，這個配置主要目的是推測執行，當 worker1 執行慢的情況下，Spark 會啟動一個 worker2，跟 worker1 執行相同的任務，誰先執行完就用誰的結果，從而加快計算速度，這個特性在一般計算任務來說是非常好的，但是如果是執行一個出庫到 Mysql 的任務時，同時有兩個一樣的 worker，則會導致 Mysql 的數據重復。因此我們在使用配置時，一定要理解清楚，直接 google spark conf 就會列出很多配置了。

3. 使用好 Spark 的并行

我們之所以使用 Spark 進行計算，原因就是因為它計算快，但是它快的原因很大在于它的并行度，掌握 Spark 是如何提供并行服務的，從而是我們更好的提高并行度。

對于提高并行度，對于 RDD，需要從幾個方面入手，1、配置 num-executor。2、配置 executor-cores。3、配置 spark.default.parallelism。三者之間的關系一般為 spark.default.parallelism=num-executors*executor-cores 的 2~3 倍較為合適。對于 Spark-sql，則設置 spark.sql.shuffle.partitions、num-executor 和 executor-cores。

4. 學會如何修改 Spark 代碼

新手而言，特別是需要對 Spark 進行優化或者修改時，感到很迷茫，其實我們可以首先聚焦于局部，而 Spark 確實也是模塊化的，不需要覺得 Spark 復雜并且難以理解，我將從修改 Spark 代碼的某一角度來進行分析。

首先，Spark 的目錄結構如圖 3-1 所示，可以通過文件夾，快速知道 sql、graphx 等代碼所在位置，而 Spark 的運行環境主要由 jar 包支撐，如圖 3-2 所示，這里截取部分 jar 包，實際上遠比這多，所有的 jar 包都可以通過 Spark 的源代碼進行編譯，當需要修改某個功能時，僅需要找到相應 jar 包的代碼，修改之后，編譯該 jar 包，然后進行替換就行了。

圖 3-1

圖 3-2

而對于編譯源代碼這塊，其實也非常簡單，安裝好 maven、scala 等相關依賴，下載源代碼進行編譯即可，掌握修改源碼技巧對于使用好開源項目十分重要。

四、DataMagic 平臺中的 Spark

Spark 在 DataMagic 中使用，也是在邊使用邊探索的過程，在這過程中，列舉了其比較重要的特點。

1. 快速部署

在計算中，計算任務的數量以及數據的量級每天都會發生變化，因此對于 Spark 平臺，需要有快速部署的特性，在實體機上，有一鍵部署腳本，只要運行一個腳本，則可以馬上上線一個擁有 128G 內存、48cores 的實體機，但是實體機通常需要申請報備才能獲得，因此還會有 docker 來支持計算資源。

2. 巧用配置優化計算

Spark 大多數屬性都是通過配置來實現的，因此可以通過配置動態修改 Spark 的運行行為，這里舉個例子，例如通過配置自動調整 exector 的數量。

2.1 在 nodeManager 的 yarn-site.xml 添加配置

yarn.nodemanager.aux-services

mapreduce_shuffle,spark_shuffle

yarn.nodemanager.aux-services.spark_shuffle.class

org.apache.spark.network.yarn.YarnShuffleService

2.2 將 spark-2.2.0-yarn-shuffle.jar 文件拷貝到 hadoop-yarn/lib 目錄下 (即 yarn 的庫目錄)

2.3 在 Spark 的 spark-default.xml 添加配置

spark.dynamicAllocation.minExecutors 1 #最小 Executor 數

spark.dynamicAllocation.maxExecutors 100 #*** Executor 數

通過這種配置，可以達到自動調整 exector 的目的。

3. 合理分配資源

作為一個平臺，其計算任務肯定不是固定的，有的數據量多，有的數據量少，因此需要合理分配資源，例如有些千萬、億級別的數據，分配 20 核計算資源就足夠了。但是有些數據量級達到百億的，就需要分配更多的計算資源了。參考第三章節的第 3 點。

4. 貼合業務需求

計算的目的其實就是為了服務業務，業務的需求也理應是平臺的追求，當業務產生合理需求時，平臺方也應該盡量去滿足。如為了支持業務高并發、高實時性查詢的需求下，Spark 在數據出庫方式上，支持了 Cmongo 的出庫方式。

sc = SparkContext(conf=conf) sqlContext = SQLContext(sc) database = d = dict((l.split('=') for l in dbparameter.split())) parquetFile = sqlContext.read.parquet(file_name) parquetFile.registerTempTable(tempTable) result = sqlContext.sql(sparksql) url = "mongodb://"+database['user']+":"+database['password']+"@"+database['host']+":"+database['port'] result.write.format("com.mongodb.spark.sql").mode('overwrite').options(uri=url,database=database['dbname'],collection=pg_table_name).save()

5. 適用場景

Spark 作為通用的計算平臺，在普通的應用的場景下，一般而言是不需要額外修改的，但是 DataMagic 平臺上，我們需要 “在前行中改變”。這里舉個簡單的場景，在日志分析中，日志的量級達到千億 / 日的級別，當底層日志的某些字段出現 utf-8 編碼都解析不了的時候，在 Spark 任務中進行計算會發生異常，然后失敗，然而如果在數據落地之前對亂碼數據進行過濾，則有可能會影響數據采集的效率，因此最終決定在 Spark 計算過程中解決中這個問題，因此在 Spark 計算時，對數據進行轉換的代碼處加上異常判斷來解決該問題。

6.Job 問題定位

Spark 在計算任務失敗時候，需要去定位失敗原因，當 Job 失敗是，可以通過 yarn logs -applicationId application 來合并任務 log，打開 log，定位到 Traceback，一般可以找到失敗原因。一般而言，失敗可以分成幾類。

a. 代碼問題，寫的 Sql 有語法問題，或者 Spark 代碼有問題。

b. Spark 問題，舊 Spark 版本處理 NULL 值等。

c. 任務長時間 Running 狀態，則可能是數據傾斜問題。

d. 任務內存越界問題。

7. 集群管理

Spark 集群在日常使用中，也是需要運營維護的，從而運營維護，發現其存在的問題，不斷的對集群進行優化，這里從以下幾個方面進行介紹，通過運營手段來保障集群的健壯性和穩定性，保證任務順利執行。

a. 定時查看是否有 lost node 和 unhealthy node，可以通過腳本來定時設置告警，若存在，則需要進行定位處理。

b. 定時掃描 hdfs 的運行 log 是否滿了，需要定時刪除過期 log。

c. 定時掃描集群資源是否滿足計算任務使用，能夠提前部署資源。

五、總結

本文主要是通過作者在搭建使用計算平臺的過程中，寫出對于 Spark 的理解，并且介紹了 Spark 在當前的 DataMagic 是如何使用的，當前平臺已經用于架平離線分析，每天計算分析的數據量已經達到千億~ 萬億級別。